1) autonomous artificial neural network
自治神经网络
1.
The paper introduced the concept of autonomous artificial neural network (AANN for short) according to the idea of knowledge accumulation and succession.
具有知识增殖能力的神经学习系统是人工神经网络发展的一个重要方向 ,备受研究人员的关注 传统上对神经学习系统知识的增殖或重用研究偏重于对个体网络的改造 ,根据知识积累和继承的思想 ,引入自治神经网络 (au tonomousartificialneuralnetwork ,AANN)的理念 ,以此作为构造知识可增殖神经学习系统的基础 ,利用群体网络的方法成功解决了神经学习系统的拓展和知识增殖问题 AANN和一般神经网络的区别在于其自治能力 ,采用AANN模块构造的神经学习系统 ,具有知识增殖能力 ,其可靠性、可拓展性和灵活性都得到提高 实验结果表明 ,该方法构造的群体网络系统可有效继承其模块所学习的知
2) non-autonomous neural networks
非自治神经网络
1.
The uniform boundedness,uniformly ultimate boundedness and global exponential stability for non-autonomous neural networks with time-varying delays are investigated.
主要研究了一类变时滞的非自治神经网络的一致有界性、最终一致有界性和全局指数稳定性。
3) self-organizing neural network
自组织神经网络
1.
A study of some problems in pattern recognition by self-organizing neural network;
对自组织神经网络模式识别方法中若干问题的研究
2.
Combustion stability study based on statistic analysis and self-organizing neural network;
基于统计分析和自组织神经网络的燃烧稳定性研究
3.
Improved dynamical binary-tree based self-organizing neural network algorithm;
一种改进的动态二叉树的自组织神经网络算法
4) self-adapting neural network
自适应神经网络
1.
The present article intends to introduce a new approach to solving the problem in determining the remnant methane quantity in fallen coals by means of self-adapting neural network.
基于此 ,作者提出自适应神经网络的落煤残存瓦斯量预测模型 ,并结合不同矿井落煤残存瓦斯量的实际测定结果进行验证研究。
5) adaptive neural network
自适应神经网络
1.
Fuzzy tracking control for fighter based on adaptive neural network;
基于自适应神经网络的歼击机模糊跟踪控制
2.
Direct adaptive neural network control for uncertain nonlinear system with disturbance;
不确定非线性系统的直接自适应神经网络控制
3.
Robust H_∞ control for a class of uncertain nonlinear systems based on adaptive neural networks;
基于自适应神经网络的一类不确定非线性系统的鲁棒H_∞控制
6) auto-associative neural network(AANN)
自关联神经网络
补充资料：Hopfield神经网络模型
Hopfield神经网络模型
Hopfield neural network model
收敛于稳定状态或Han加Ing距离小于2的极限环。 上述结论保证了神经网络并行计算的收敛性。 连续氏pfield神经网络中，各个神经元状态取值是连续的，由于离散H6pfield神经网络中的神经元与生物神经元的主要差异是:①生物神经元的I/O关系是连续的;②生物神经元由于存在时延，因此其动力学行为必须由非线性微分方程来描述。为此，在1984年J.J.H叩fi酗提出了连续氏pfield神经网络，它可用图1所示的电路实现，其动态方程┌───┐│·T叮 │└───┘图1连续F砧pfield神经网络 (a)Sigmoid非线性;(b)神经元模型可由下述微分方程式描述: 、，产 门J /r、l、1.。瓮一客、一佘Ii认=f(u￡)￡=l，2，…，n式中f(·)为连续可微的Sign101d函数;T，j=兀、i，j=1，2，“’，n几=0]=i1~.吞~·‘八文一Q*+，戮T，j‘一‘，2，”一”连续时间氏pfield神经网络式的计算能量函数定义为:一告客客几从砚 石l「Vi_1，、，合，，， +乞古!‘厂‘(x)dx一乙I，从(4) ’月R‘Jo“‘、一’一月一，” 对于式(3)，若f一‘为单调增且连续，C>0，T，j=几(i，j=1，2，一，n)，则沿系统的运动轨道有dE一。-丁丁足之Uat当且仅当贷一。时 箭一。式(3)的稳定平衡点就是能量函数E〔式(4)」的极小点，反之亦然。同时，连续氏pfield神经网络式(3)以大规模非线性连续时间并行方式处理信息。网络的稳定平衡点对应于其计算能量函数E的极小点，网络的计算时间就是它到达稳定的时间，网络的计算在系统趋于稳态的过程中也就完成了。这也是式(3)用于神经计算及联想记忆的基本原理，也即神经计算机的基本原理。HoPfield shenling wangluo moxingHopfield神经网络模型(Hopfieldne，Ine幻即0比m侧触l)一种单层全反馈的人工神经网络模型(后称之为氏p玉idd模型)，它对推动人工神经网络研究的复苏起了很重要的作用。 且，lield对人工神经网络研究的贡献主要有: (l)把有反馈的神经网络看作一个非线性动力系统，提出了系统的全局Lyap阴lov函数(或称能量函数)的概念，用于系统稳定性的分析; (2)利用上述分析方法解决人工智能中的组合优化问题，如15护;(3)给出了利用模拟电子线路实现的连续Hopfidd网络的电路模型，为进一步研究神经计算机创造了条件。
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条